Tugas Akhir Indra Herlangga (1305030029)

8,284 views

Published on

Published in: Business, Technology
1 Comment
4 Likes
Statistics
Notes
  • permisi buk, saya pernah menulis tentang fungsi autocorrelation untuk penentuan pola data time series apakah musiman, tren, atau stationer, di artikel berikut: http://datacomlink.blogspot.com/2015/12/data-mining-identifikasi-pola-data-time.html yang ingin saya tanyakan, apakah ada teknik lain untuk mencari pola data time series selain fungsi autocorrelation ya buk? terima kasih
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
No Downloads
Views
Total views
8,284
On SlideShare
0
From Embeds
0
Number of Embeds
9
Actions
Shares
0
Downloads
471
Comments
1
Likes
4
Embeds 0
No embeds

No notes for slide

Tugas Akhir Indra Herlangga (1305030029)

  1. 1. !" # $ " #%& $" #% % #% '& & # #% % #% () " ) ( *( ) ( % ) # +()(* + #( , -
  2. 2. . #(+ / !" # $" %" % $ 0 #% % #% 1# %" % #% % #% 1# 2() , $ 0 " * 2 3 ( ) #2 2 # +() (* + ( $ 0 % 2* ) , #( , -
  3. 3. LEMBAR PENGESAHAN PERAMALAN HASIL PENANGKAPAN IKAN KONSUMSI AIR TAWAR DI KABUPATEN MOJOKERTO DENGAN METODE ARIMA BOX-JENKINS LAPORAN TUGAS AKHIR Diajukan Untuk Memenuhi Salah Satu Syarat Kelulusan Di Program Studi Diploma Tiga Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya Oleh : INDRA HERLANGGA NRP 1305 030 029 Disetujui oleh Pembimbing Tugas Akhir : Dra. Kartika Fitriasari, M.Si. ( ) NIP. 132 061 809 Mengetahui Ketua Jurusan Statistika FMIPA-ITS Dr. Sony Sunaryo, MSi NIP. 131 843 380 SURABAYA, JUNI 2008
  4. 4. KATA PENGANTAR Syukur Alhamdulillah penulis panjatkan kehadirat Allah SWT yang telah memberikan rahmat, taufiq dan hidayah-Nya. Sehingga penulis dapat menyelesaikan Laporan Tugas Akhir dengan judul “Peramalan Hasil Penangkapan Ikan Konsumsi Air Tawar Di Kabupaten Mojokerto Dengan Metode Arima Box-Jenkins”. Keberhasilan dalam penyusunan laporan akhir ini tidak terlepas dari bantuan banyak pihak. Penulis menyampaikan terima kasih yang sebesar-besarnya kepada semua pihak yang telah memberikan dukungan, bimbingan, petunjuk dan juga saran selama penyusunan laporan tugas akhir ini, antara lain kepada : 1. Bapak Dr. Sonny Sunaryo, M.Si selaku Ketua Jurusan Statistika FMIPA ITS Surabaya. 2. Ibu Dra. Kartika Fitriasari, M.Si selaku dosen pembimbing yang telah meluangkan waktu untuk memberi bimbingan, nasihat serta saran. 3. Ibu Ir. Mutiah Salamah, M.Kes selaku Koordinator Tugas Akhir Jurusan Statistika ITS Surabaya. 4. Bapak, Ibu, kakak dan adik yang selalu memberikan motivasi, dukungan, kasih sayang dan do’a. 5. Terima kasihku untuk “Adè-q” yang selalu memarahi, menemani, memberi dukungan moral, motivasi dan do’a. 6. Teman-teman angkatan D3 Statistika 2005, terimakasih atas dukungan serta bantuannya. 7. Staff dosen dan karyawan jurusan yang telah banyak membantu penulis selama kuliah di D3 Statistika ITS Penulis menyadari dalam pembuatan laporan tugas akhir ini masih jauh dari kesempurnaan, untuk itu kritik serta saran sangat penulis harapkan perbaikan dan kesempurnaan. Semoga laporan tugas akhir ini bermanfaat bagi pembaca. Surabaya, Juni 2008 Penulis
  5. 5. PERAMALAN HASIL PENANGKAPAN IKAN KONSUMSI AIR TAWAR DI KABUPATEN MOJOKERTO DENGAN METODE ARIMA BOX-JENKINS Nama Mahasiswa : Indra Herlangga Nrp : 1305.030.029 Program : Dipl. III Statistika FMIPA-ITS Dosen Pembimbing : Dra. Kartika Fitriasari, M.Si Abstrak Indonesia merupakan negara dengan sumber daya perairan yang sangat melimpah. Perikanan adalah salah satu hasil dari sektor perairan yang selama ini mulai dikembangkan pemerintah. Di bidang perikanan banyak sekali kendala-kendala yang dihadapi oleh pemerin- tah baik dalam kegiatan pemberdayaan dan pengelolaannya. Dalam hal ini pemerintah membentuk suatu instansi negeri pemerintah untuk mengelola sektor perikanan Indonesia yaitu Dinas Peternakan dan Pe- rikanan Indonesia. Dalam penelitian ini difokuskan terhadap hasil penangkapan ikan konsumsi air tawar di Mojokerto yang saat ini berkembang sangat dinamis. Jenis ikan konsumsi yang akan dianalisis adalah jenis ikan konsumsi air tawar yang banyak dikonsumsi dan menjadi permintaan terbanyak masyarakat di Mojokerto yaitu ikan tawes, nila, dan lele. Oleh karena itu untuk mengetahui perkembangan hasil penangkapan ikan air tawar digunakan suatu model peramalan berdasarkan data masa lalu, yaitu model time series. Berdasarkan penelitian terhadap data penangkapan tiap jenis ikan yang telah dilakukan diperoleh model peramalan untuk data penangkapan ikan tawes pada periode bulan Januari 2002 sampai dengan Desember 2007 didapatkan suatu model yang terbaik adalah ARIMA (0 1 0)12. Sedangkan untuk data penangkapan ikan nila pada periode yang sama didapatkan model yang terbaik adalah ARIMA (1 1 0)12 dan untuk data penangkapan ikan lele pada periode yang sama didapatkan model terbaik yaitu ARIMA (0 1 0)12. Kata Kunci : Penangkapan Ikan, Time Series, ARIMA
  6. 6. FORECASTING OF CONSUMPTION FISH IN MOJOKERTO BY USING ARIMA BOX-JENKINS METHOD Name : Indra Herlangga Nrp : 1305.030.029 Programe : Diploma III Statistika FMIPA-ITS Supervisor : Dra. Kartika Fitriasari, M.Si Abstract Indonesia is a country with a real abundance water territory resource. Fishery is one of results from water territory sector which recently developed by government. In fishery area, a lot of constraints faced by good government in the enable activity and management. In this case governmental formed an institution of government country to manage Indonesia fishery sector that is Dinas Peternakan dan Perikanan Indonesia. In this research focused to result of arrest of consumption fish of freshwater in Mojokerto which now grows very dynamic. Consumption fish which will be analysed is type of freshwater which many consumed and become request by public in Mojokerto that is tawes, nila, and lele. Therefore to know development result of arrest of bream is applied by a forecasting model based on past data, that is model time series. Based on research to data every fish type which has been done obtained forecasting at period of January 2002 up to December 2007. The result shows that the best ARIMA model of tawes is ARIMA (0 1 0)12. Than the best arima model of nila is ARIMA (1 1 0)12 and than the best ARIMA model of lele is ARIMA (0 1 0)12. Keyword : Fish arrest, Time Series, ARIMA
  7. 7. DAFTAR ISI Judul halaman HALAMAN JUDUL................................................................i LEMBAR PENGESAHAN.....................................................iii ABSTRAK............................................................................... iv ABSTRACT............................................................................. v KATA PENGANTAR............................................................. vi DAFTAR ISI............................................................................ vii DAFTAR GAMBAR............................................................... ix DAFTAR TABEL.................................................................... x BAB I PENDAHULUAN 1.1 Latar Belakang...................................................... 1 1.2 Permasalahan ................................................. 2 1.3 Tujuan................................................................... 3 1.4 Manfaat................................................................ 3 1.3Batasan Masalah................................................... 3 BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Statistika .............................................. 5 2.1.1 Metode Time Series........................................5 2.1.2 Model Time Series.......................................... 7 2.1.3 Identifikasi Model ARIMA Box-Jenkins Dan Pemeriksaan Parameter………………. 9 2.1.4 Pengujian Asumsi Residual………………… 11 2.1.5 Pemilihan Model Terbaik…………………... 12 2.2 Tinjauan Non Statistika …………………............14 2.2.1 Perikanan…………………………………….14 2.2.2 Perikanan Tangkap…………………………..14 2.2.3 Penangkapan Ikan…………………………... 14 2.2.4 Perairan Umum (Air Tawar)………………... 15
  8. 8. BAB III METODOLOGI PENELITIAN 3.1 Sumber Data..........................................................17 3.2 Metode Pengukuran Variabel Penelitian.............. 17 3.3 Metode Analisis.................................................... 18 3.4 Diagram Langkah Penelitian............... .................20 BAB IV HASIL DAN PEMBAHASAN 4.1 Analisis Time Series............................................. 21 4.2 Peramalan Data Penangkapan Jenis Ikan Tawes.. 21 4.2.1 Identifikasi Model Untuk Data Penangkapan Ikan Tawes..................................................... 21 4.3 Peramalan Data Penangkapan Jenis Ikan Nila..... 28 4.3.1 Identifikasi Model Untuk Data Penangkapan Ikan Nila......................................................... 28 4.4 Peramalan Data Penangkapan Jenis Ikan Lele......35 4.4.1 Identifikasi Model Untuk Data Penangkapan Ikan Lele........................................................ 35 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan........................................................... 43 5.2 Saran..................................................................... 44 DAFTAR PUSTAKA LAMPIRAN
  9. 9. DAFTAR TABEL Tabel 2.1 Transformasi Box-Cox................................................ 6 Tabel 2.2 Kriteria ACF dan PACF pada model ARIMA ....... . .. 9 Tabel 4.1 Signifikansi Model Musiman Tawes ..................... . 24 Tabel 4.2 Uji Ljung-Box Model Musiman Tawes. ................ . 24 Tabel 4.3 Uji Kenormalan Model Musiman Tawes. .............. . 24 Tabel 4.4 Uji Asumsi white noise Differencing musiman . ... . 25 Tabel 4.5 Uji Asumsi Normal Differencing Musiman .......... . 25 Tabel 4.6 Nilai AIC model Tawes ......................................... . 26 Tabel 4.7 Kriteria Out Sampel Data Ikan Tawes model . ...... . 26 Tabel 4.8 Estimasi nilai konstan Model ARIMA Tawes . ..... . 27 Tabel 4.9 Peramalan 12 Bulan Kedepan Untuk Penangkapan Ikan Tawes . ………………………………………. 27 Tabel 4.10 Hasil Uji Parameter Data Jenis Ikan Nila .............. . 32 Tabel 4.11 Hasil Uji Box Pierce (Ljung Box) Chi-Square Data Ikan Nila ........................................................ . 32 Tabel 4.12 Pemeriksaan Kenormalan Data Jenis Ikan Nila...... 33 Tabel 4.13 Kriteria Out Sampel Data Penangkapan Ikan Nila . 34 Tabel 4.14 Peramalan 12 Bulan Kedepan Untuk Penangkapan Ikan Nila..................................................................34 Tabel 4.15 Signifikansi Model Musiman Lele ....................... . 37 Tabel 4.16 Uji Ljung-Box Model Musiman Lele. .................. . 38 Tabel 4.17 Uji Kenormalan Model Musiman Lele. ................ . 38 Tabel 4.18 Uji Asumsi white noise Differencing musiman lele 39 Tabel 4.19 Uji Asumsi Normal Differencing Musiman lele... . 39 Tabel 4.20 Nilai AIC model lele. ............................................ . 40 Tabel 4.21 Kriteria Out Sampel Data Ikan Lele model............. 40 Tabel 4.22 Estimasi nilai Konstan Model ARIMA Lele ........ . 40 Tabel 4.23 Peramalan 12 Bulan Kedepan Untuk Penangkapan Ikan Lele .............................................................. . 41
  10. 10. DAFTAR GAMBAR Gambar 3.1 Diagram langkah penelitian ................................... 20 Gambar 4.1 Plot Time Series Data Ikan Tawes....................... . 21 Gambar 4.2 Plot Differencing Musiman Data Penangkapan Ikan Tawes............................................................. 22 Gambar 4.3 ACF Plot Data Differencing Penangkapan Ikan Tawes .......................................................................23 Gambar 4.4 PACF Plot Data Differencing Penangkapan Ikan Tawes............... ...................................................... 23 Gambar 4.5 Time Series Data Penangkapan Ikan Nila............ . 28 Gambar 4.6 Box-Cox Plot Data Penangkapan Ikan Nila .......... 29 Gambar 4.7 Time Series Plot Data Transformasi Penangkapan Ikan Nila..................................................................29 Gambar 4.8 Plot Differencing Musiman Data Penangkapan Ikan Nila ................................................................ 30 Gambar 4.9 ACF Plot Data Musiman Penangkapan Ikan Nila 31 Gambar 4.10 PACF Plot Musiman Penangkapan Ikan Nila ..... 31 Gambar 4.11 Plot Time Series Data Penangkapan Ikan lele...... 35 Gambar 4.12 Plot Differencing Musiman Data Penangkapan Ikan lele. .................................................................36 Gambar 4.13 ACF Plot Data Differencing Penangkapan Ikan Lele................... ................................................... 36 Gambar 4.14 PACF Plot Data Differencing Penangkapan Ikan Lele................... ................................................... 37
  11. 11. Tidak seorang pun dapat kembali dan membuat suatu awal yang bagus. Siapapun dapat memulai dari sekarang dan membuat akhir yang bagus (NN) BAB I PENDAHULUAN
  12. 12. BAB I PENDAHULUAN 1.1 Latar Belakang Indonesia merupakan negara dengan sumber daya perair- an yang sangat melimpah. Perikanan adalah salah satu hasil dari sektor perairan yang selama ini mulai dikembangkan pemerintah. Di bidang perikanan banyak sekali kendala-kendala yang dihada- pi oleh pemerintah baik dalam kegiatan pemberdayaan dan pe- ngelolaannya. Pemerintah membentuk suatu instansi negeri peme- rintah untuk mengelola sektor perikanan Indonesia yaitu Dinas Peternakan dan Perikanan Indonesia. Instansi ini mengelola setiap jenis perikanan di Indonesia seperti perikanan laut, perikanan umum (darat), budidaya, dan lain-lain. Instansi ini dalam kiner- janya berfungsi sebagai penyuluhan pendidikan perikanan, mana- jemen perikanan daerah, hingga penjualan yang berorientasi terhadap peningkatan devisa negara. Penelitian ini difokuskan terhadap hasil penangkapan ikan konsumsi air tawar di Indonesia yang saat ini berkembang sangat dinamis. Hal ini menjadi acuan bagi pemerintah bagaima- na agar hasil penangkapan ikan konsumsi semakin lama semakin berkembang dengan mengetahui faktor-faktor yang mempenga- ruhinya. Ada 2 jenis ikan perairan yaitu ikan konsumsi dan ikan non konsumsi. Ikan konsumsi adalah semua jenis ikan yang dapat dikonsumsi oleh masyarakat. Sedangkan ikan non konsumsi adalah ikan yang tidak dapat dikonsumsi masyarakat dalam arti bisa untuk tujuan lain, misal ikan hias, ikan penangkaran, pakan ternak, tepung ikan, bahan pakan ikan dan lain-lain. Hasil pe- nangkapan ikan berasal dari air tawar yaitu perikanan yang basis usahanya berupa penangkapan ikan di air tawar (sungai, waduk, rawa, danau, atau genangan air lainnya). Untuk mengetahui pe- ningkatan jumlah penangkapan ikan konsumsi maka ikan dari perairan tawar yang dikelola masyarakat harus dipantau perkem- bangannya.
  13. 13. Adapun beberapa penelitian yang pernah dilakukan me- ngenai sektor perikanan yaitu “Pola Ekspor Hasil Perikanan de- ngan menggunakan Analisis Regresi” oleh Avrohandri (1993) dan “Pendugaan Fungsi Produksi Ikan dalam Jaring Apung dengan menggunakan analisis Multivariat” oleh Nurlatifah (1999). Peneliti mencoba menggunakan metode peramalan ARIMA Box- Jenkins sebagai salah satu alternatif solusi dalam memodel-kan peramalan hasil penangkapan ikan konsumsi air tawar untuk masa yang akan datang. Oleh karena itu untuk mengetahui per- kembangan hasil penangkapan ikan konsumsi maka digunakan suatu model peramalan berdasarkan data masa lalu, yaitu data 3 jenis ikan hasil penangkapan selama 6 tahun terakhir yang diper- oleh dari Dinas Peternakan dan Perikanan Kabupaten Mojokerto. Jenis ikan konsumsi yang akan dianalisis adalah jenis ikan kon- sumsi air tawar yang banyak dikonsumsi dan menjadi permintaan terbanyak masyarakat di Mojokerto yaitu ikan tawes, nila, dan lele. Dari penelititan ini akan didapatkan model peramalan yang mampu meramalkan hasil penangkapan ikan tiap jenis di tahun- tahun berikutnya. Metode deret waktu yang digunakan adalah untuk mera- malkan peningkatan hasil penangkapan 3 jenis ikan konsumsi menggunakan metode ARIMA Box-Jenkins dimana metode terse- but adalah salah satu metode peramalan untuk meramalkan suatu data pada periode yang akan datang dan dapat dijadikan sebagai cara dalam menentukan kemungkinan peningkatan hasil penang- kapan ikan air tawar, sehingga hasil peramalan tersebut dapat membantu Dinas Peternakan dan Perikanan Kab. Mojokerto me- nentukan kebijakan yang akan diambil dengan acuan perkem- bangan hasil penangkapan ikan konsumsi air tawar itu sendiri. 1.2 Permasalahan 1. Bagaimana menentukan model peramalan yang sesuai dengan data 3 jenis ikan konsumsi air tawar hasil penang- kapan di Dinas Peternakan dan Perikanan Kab. Mojokerto dengan menggunakan metode ARIMA Box-Jenkins.
  14. 14. 2. Bagaimana nilai peramalan 3 jenis ikan konsumsi air ta- war hasil penangkapan ikan bulanan untuk periode yang akan datang. 1.3 Tujuan 1. Memperoleh model peramalan yang sesuai dengan data 3 jenis ikan konsumsi air tawar hasil penangkapan ikan di Dinas Peternakan dan Perikanan Kab. Mojokerto dengan menggunakan metode ARIMA Box-Jenkins. 2. Mengetahui besarnya nilai peramalan 3 jenis ikan kon- sumsi air tawar hasil penangkapan ikan bulanan untuk pe- riode yang akan datang. 1.4 Manfaat Manfaat dari penelitian yang dilakukan adalah memberikan gambaran mengenai perkembangan hasil penang- kapan ikan konsumsi di Dinas Peternakan dan Perikanan Kab. Mojokerto melalui analisis peramalan dengan metode ARIMA Box-Jenkins sehingga hasil peramalan tersebut dapat membantu instansi dalam menentukan kebijakan yang akan diambil dengan acuan perkembangan hasil produksi ikan konsumsi itu sendiri. Dari hasil peramalan dapat juga digunakan untuk menentukan target produksi penangkapan ikan dan menentukan target konsumsi ikan perkapita pada tahuntahun berikutnya sesuai dengan jenis ikan yang dikonsumsi. 1.5 Batasan Masalah Adapun beberapa hal yang menjadi batasan permasalahan dalam penelitian ini yaitu sebagai berikut : 1. Data yang digunakan adalah 3 jenis ikan konsumsi air tawar yang paling banyak dikonsumsi masyarakat Mojokerto yaitu ikan tawes, nila, dan lele. 2. Data yang digunakan mulai periode Januari 2002 hingga Desember 2007 sebanyak 72 bulan.
  15. 15. (halaman ini sengaja dikosongkan)
  16. 16. Setiap orang mendengar apa yang kau katakan. Sahabat mendengar apa yang harus kau katakan. Sahabat terbaik mendengarkan apa yang kau tidak dapat katakan (Roullete) BAB II TINJAUAN PUSTAKA
  17. 17. BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Statistika 2.1.1 Metode Time Series Deret Waktu (Time series) adalah serangkaian penga- matan terhadap suatu variabel yang diambil dari waktu ke-waktu dan dicatat secara berurutan menurut urutan waktu kejadiannya dengan interval waktu yang tetap (Wei, 1990). Time series dapat juga diartikan sebagai serangkaian data yang didapatkan berdasar- kan pengamatan dari suatu kejadian pada urutan waktu terjadinya. Waktu kejadian bisa merupakan periode dalam satuan detik, me- nit, jam, hari, bulan, tahun dan periode waktu yang lainnya, se- muanya itu merupakan serangkaian data pengamatan yang dida- sarkan pada waktu kejadian dengan interval waktu tertentu yang lebih dikenal dengan time series (Cryer, 1986), dimana setiap pengamatan dinyatakan sebagai variabel random Zt yang didapat- kan berdasarkan indeks waktu tertentu (ti) sebagai urutan waktu pengamatan, sehingga penulisan data time series adalah Zt1, Zt2, Zt3, …, Ztn. Dalam metode time series ada beberapa hal yang per- lu diperhatikan, yaitu kestasioneran data, fungsi autokorelasi dan fungsi autokorelasi parsial. Stasioneritas time series merupakan suatu keadaan jika proses pembangkitan yang mendasari suatu deret berkala didasarkan pada nilai tengah konstan dan nilai varians konstan (Makridakis, Wheelwright, McGee, 1999). Dalam suatu data kemungkinan data tersebut tidak stationer hal ini dikarenakan mean tidak konstan atau variansnya tidak konstan sehingga Untuk menghilangkan ketidakstasioneran terhadap mean, maka data tersebut dapat dibuat lebih mendekati stasioner dengan cara melakukan penggunaan metode pembedaan atau differencing (Makridakis, Wheelwright, McGee, 1999). Yt = Zt – Zt-1 .................................(2.1) Dan jika data tidak stasioner dalam varians, maka dapat distabilkan dengan menggunakan transformasi. Berikut adalah
  18. 18. transformasi Box-Cox (Wei, 1990) untuk beberapa nilai yang sering digunakan. Tabel 2.1 Transformasi Box-Cox Nilai Transformasi estimasi -1,0 1/ Zt -0,5 1/ Zt 0,0 Ln Zt 0,5 Zt 1 Zt (tidak ada transformasi) (Sumber : Wei, 1990) Autocorrelation Function (ACF) merupakan suatu proses korelasi pada data time series antara Zt dengan Zt+k. Plot ACF dapat digunakan untuk identifikasi model pada data time series dan melihat kestasioneran data, terutama pada kestasioneran dalam mean. fungsi autokovarians dapat dituliskan sebagai berikut: (Wei, 1990) γ k = cov (Zt , Zt+k) = E (Zt- µ ) (Zt+k- µ ) ..............................(2.2) dan fungsi autokorelasi antara Zt dan Zt+k adalah : cov(Z t , Z t + k ) ρk = ......................................(2.3) var(Z t ) var(Z t + k ) Sampel pengambilan data pada time series untuk fungsi autokorelasi dapat dituliskan sebagai berikut : (Wei, 1990) n−k ( Z t − Z )( Z t + k − Z ) ρk = t =1 n untuk k = 0,1,2,3, ................(2.4) (Zt − Z ) 2 t =1 Plot fungsi autokorelasi parsial digunakan sebagai alat untuk mengukur tingkat keeratan antara Zt dan Zt+k dan apabila terjadi pengaruh dari lag time 1,2,3,..., dan seterusnya sampai k =
  19. 19. 1 dianggap terpisah. Fungsi autokorelasi parsial dapat dituliskan sebagai berikut : φ kk = corr (Zt, Zt+k | Zt+1, Zt+2,... Zt+k-1)........................................(2.5) Durbin dalam (Wei, 1990) memperkenalkan prosedur tentang suatu fungsi autokorelasi parsial dalam persamaan : k −1 ρk − Φ k −1, j ρ k − j j −1 φkk = k −1 .........................................(2.6) 1− Φ k −1, j ρ j j =1 dimana : φkj = φk −1, j − φkkφk −1, k − j ,untuk j= 1,2, …,k-1 2.1.2 Model Time Series Proses pada time series secara umum memiliki beberapa model, diantaranya Model AR (Autoregressive), MA (Moving Average), Model campuran ARMA (Autoregressive Moving Average), ARIMA (Autoregressive Integrated Moving Average), dan model SARIMA (Seasonal Autoregressive Integrated Moving Average). (Makridakis, Wheelwright, McGee, 1999). Model AR (Autoregressive) pada orde p menyatakan bah- wa suatu model dimana pengamatan pada waktu ke-t berhubung- an linear dengan pengamatan waktu sebelumnya t-1, t-2, t-p. Ben- tuk fungsi persamaan untuk model AR pada orde p adalah (Wei, 1990) : Z t = φ1 Z t −1 + φ2 Z t −2 + ... + φ p Z t − p + at ......................(2.7) Model AR pada orde 1 yaitu : Z t = φ1 Z t −1 + at .............................................(2.8) Model AR pada orde 2 yaitu : Z t = φ1 Z t −1 + φ2 Z t −2 + at ............................................(2.9) Model MA (Moving Average) pada orde q menyatakan bahwa suatu model yang merupakan suatu penyimpangan pe- ngamatan masa lalu dengan pengamatan waktu ke-t.
  20. 20. Bentuk fungsi persamaan untuk model MA pada orde (q) adalah (Wei, 1990) : Z t = at − θ1at −1 − θ 2 at −2 − ... − θ q at −q ..................(2.10) Model MA pada orde 1 yaitu : Z t = at − θ1at −1 .....................................................(2.11) Model MA pada orde 2 yaitu : ( ) Z t = 1 − θ1 B − θ 2 B 2 at ………..........................(2.12) Model ARMA merupakan model gabungan antara model AR (autoregressive) dengan MA (Moving Average) yang kadang ditulis dengan notasi ARMA (p,q). Bentuk fungsi model ARMA pada orde p dan q adalah : Z t = φ1 Z t −1 + ... + φ p Z t − p + at − θ1at −1 − ... − θ q at −q .............(2.13) Model ARMA (1,1) pada orde p =1 dan q =1 yaitu : Z t = φ1 Z t −1 + at − θ1at −1 ........................................(2.14) Model ARIMA (p, d, q) yang dikenalkan oleh Box dan Jenkins dengan orde p sebagai operator dari AR, orde d merupakan differencing, dan orde q sebagai operator dari MA. Model ini digunakan untuk data time series yang telah di differencing atau sudah stasioner dalam mean, dimana d adalah banyaknya hasil differencing, bentuk persamaan untuk model ARIMA adalah (Wei, 1990) : φ p (B )(1 − B )d Ζ t = θ 0 + θ q (B )at ........................................(2.15) Fungsi orde (p) untuk operator dari AR yang telah stasioner : ( φ p (B ) = 1 − φ1 B − ... − φ p B p ) ........................................(2.16) Fungsi dari orde (q) untuk operator MA yang telah stasioner : θ q (Β) = (1 − θ1Β − θ 2 B 2 − ... − θ q Β q ) ....................................(2.17) Model ini dinotasikan dengan ARIMA (p, d, q) (P, D, Q)s yang mempunyai faktor musiman dalam pengamatan waktu ke-t. Bentuk fungsi persamaan model ARIMA musiman adalah : ( ) ( ) Φ P B s φ p (B )(1 − B ) Z t = θ q (B )Θ Q B S at .....................(2.18) D
  21. 21. dimana: Φ P = orde P pada koefisien komponen AR musiman φ p = orde p pada koefisien komponen AR Θ Q = orde Q pada koefisien komponen MA Musiman θ q = orde q pada koefisien komponen MA 2.1.3 Identifikasi Model ARIMA Box-Jenkins dan Pemeriksaan Parameter Identifikasi model ARIMA Box-Jenkins dapat dijadikan sebagai langkah dalam mengidentifikasi adanya ketidakstasio- neran model. Bila tidak stasioner dalam mean maka harus di diffe- rencing dan jika tidak stasioner dalam varians maka harus ditransformasi. Salah satu tranformasi yang digunakan adalah tranformasi Box Cox, kemudian setelah data sudah stationer dalam mean dan varian maka selanjutnya membuat plot ACF dan PACF yang digunakan untuk mengidentifikasi model awal ARIMA jika data sudah stasioner dalam mean dan varians. Tabel 2.2 Kriteria ACF dan PACF pada model ARIMA Proses ACF PACF AR (p) Tails off menurun Cut off setelah lag ke-p mengikuti bentuk eksponensial atau gelombang sinus MA (q) Cut off setelah lag ke-q Tails off menurun mengikuti bentuk eksponensial atau gelombang sinus ARMA (p,q) Tails off setelah lag (q-p) Tails off setelah lag (p-q) (Sumber : Wei, 1990) Penaksiran parameter, dapat dilakukan dengan menggu- nakan metode Likelihood dimana mengikuti fungsi kepadatan peluang berdistribusi normal. Dalam hal ini analisis sebenarnya
  22. 22. dengan asumsi bahwa error at berdistribusi normal. Fungsi kepa- datan peluang suatu error at adalah : at2 .......(2.19) f (at | σ a ) = (2πσ a ) −1 / 2 exp − 2 2 2 2σ a Maka fungsi likelihood untuk parameter-parameternya jika diketahui data observasi adalah 1 ..........(2.20) L(φ ,θ , σ a2 | Z) = ( 2πσ a2 ) −n / 2 exp − S(φ ,θ ) 2σ a2 dimana n S (φ ,θ ) = ( Z t − φ1Z t −1 − − φ p Z t − p − θ1at −1 − − θ q at − q ) 2 ..(2.21) i =1 Penaksiran parameter dilakukan dengan tujuan untuk menentukan apakah parameter model sudah layak masuk kedalam model. Secara umum, misal θ adalah suatu parameter dan θˆ ˆ adalah nilai taksiran dari parameter tersebut, serta SE( θ ) adalah ˆ standart error dasi nilai taksiran θ , maka uji kesignifikanan parameter dapat dilakukan sebagai berikut : Hipotesis : H0 : θ = 0 (parameter tidak signifikan) H1 : θ ≠ 0 (parameter signifikan) Statistik Uji : θˆ t hitung = .............................................. (2.22) ˆ SE (θ )
  23. 23. Daerah Kritis : Tolak H0 jika P_value < atau thitung > t(1-α/2);df = n-np, dimana np = banyaknya parameter 2.1.4 Pengujian Asumsi Residual Untuk mendapatkan model yang baik setelah model memiliki parameter yang signifikan selanjutnya melakukan peng- ujian terhadap residualnya yaitu melakukan pengujian apakah re- sidual white noise dan residual berdistribusi normal. Residual ( a t) yang white noise (residual independen dan identik) harus berupa variabel random. Uji yang digunakan untuk asumsi white noise adalah uji Ljung-Box (Wei, 1990). Dimana uji ini bertujuan untuk menguji residual memenuhi asumsi white noise digunakan uji sebagai berikut : Hipotesis : H0 : ρ1 = ρ 2 = ... = ρ K = 0 (residual memenuhi asumsi white noise) H1 : minimal ada satu ρ i ≠ 0 , untuk i = 1,2,....,K (residual tidak white noise) Statistik Uji : Ljung-Box statistic (Box-Pierce modified) K Q = n ( n + 2) (n − k ) −1 ρ k2 ˆ .................(2.23) k =1 dimana : ρ k adalah taksiran autokorelasi residual lag k ˆ daerah kritis : tolak H0 jika Q > χ 2 (1−α );df = K − p −q ,dimana nilai p dan q adalah order dari ARMA(p,q). Untuk mengetahui bahwa data memenuhi asumsi distribusi normal, maka dilakukan uji yaitu uji Kolmogorov Smirnov. (Daniel, 1989). untuk menguji residual berdistribusi normal digunakan uji sebagai berikut : Hipotesa : H0 : F (x) = F0 (x) (residual berdistribusi normal) H1 : F (x) F0 (x) (residual tidak berdistribusi normal)
  24. 24. Statistik uji : D = sup |S(x) – F0 (x)| ..............................(2.24) Dimana : S (x) = fungsi peluang kumulatif yang dihitung dari data sampel. F0 (x) = fungsi peluang kumulatif distribusi yang dihipotesiskan. F (x) = fungsi distribusi yang belum diketahui Sup = nilai supremum semua x dari S ( x) − F0 ( x) Daerah Kritis : Tolak H0 jika Dhitung > D(1- , n), atau nilai P-value < α 2.1.5 Pemilihan Model Terbaik Pemilihan model terbaik atau seleksi model dilakukan jika terdapat lebih dari satu model time series yang layak dipakai yaitu dengan menggunakan dua pendekatan diantaranya pendekatan In Sampel dan pendekatan Out Sampel. Pendekatan In Sampel dapat dilakukan berdasarkan nilai AIC, SBC, MSE, sedangkan pendekatan Out Sampel menggunakan MAPE. 1. AIC (Akaike’s Information Criterion) Pemilihan model terbaik melalui pendekatan In Sampel dapat dilakukan berdasarkan nilai AIC. Nilai AIC semakin kecil maka model yang didapatkan semakin baik dengan mempertimbangkan banyaknya parameter dalam model. Persamaan AIC sebagai berikut (Wei,1990): AIC(M) = n ln ( σ a ) + 2 M ˆ2 ...................(2.25) Dimana : n = banyaknya pengamatan M = banyaknya parameter dalam model σ a = estimasi varians residual ˆ2 2. SBC (Schwartz’s Bayesian Criterion) SBC juga merupakan cara pemilihan model terbaik dengan pendekatan In Sampel. Nilai SBC semakin kecil maka model yang didapatkan semakin baik. Persamaan SBC sebagai berikut (Wei,1990) :
  25. 25. SBC (M)= n ln ( σ a ) + M ln (n) ˆ2 .................(2.26) Dimana : n = banyaknya pengamatan M = banyaknya parameter dalam model σ a = estimasi varians residual ˆ2 3. MSE (Mean Square Error) MSE (Mean Square Error) digunakan untuk mengetahui kesalahan rata-rata kuadrat dari tiap-tiap model yang layak dengan rumus sebagai berikut (Wei,1990) : 1 M 2 MSE = et .................(2.27) M t =1 Dengan ˆ et = ( Z t − Z t ) (taksiran sisa pada peramalan) M = banyaknya residual Pemilihan model terbaik melalui pendekatan out sampel berdasarkan error adalah dengan menggunakan MAPE (Mean Absolute Percentage Error). Persamaan MAPE sebagai berikut (Wei, 1990) : 1 M et MAPE = 100% ...............................(2.28) M t =1 Zt dimana : M = banyaknya residual et ˆ = ( Z t − Z t ) (taksiran sisa pada peramalan)
  26. 26. 2.2 Tinjauan Non Statistika 2.2.1 Perikanan Perikanan adalah semua kegiatan yang berhubungan de- ngan pengelolaan dan pemanfaatan sumber daya ikan dan lingku- ngannya mulai dari pra produksi, produksi, pengolahan sampai dengan pemasaran, yang dilaksanakan dalam suatu sistem bisnis perikanan. Cakupan dalam statistik perikanan, meliputi kegiatan ekonomi dibidang penangkapan, pembudidayaan, pengolahan dan pemasaran ikan. Pemanfaatan sumber daya ikan dilakukan melalui kegia- tan usaha perikanan. Usaha perikanan mencakup semua usaha perorangan atau badan hukum untuk menangkap, membudidaya- kan mengolah dan memasarkan ikan untuk tujuan komersial. 2.2.2 Perikanan Tangkap Perikanan tangkap adalah perikanan yang basis usahanya berupa penangkapan ikan di laut maupun di perairan umum. Adapun penjelasan dari perikanan tangkap tersebut adalah sebagai berikut: a) Perikanan Tangkap di Laut adalah perikanan yang basis usahanya berupa penangkapan ikan di laut. b) Perikanan tangkap di perairan umum adalah perikanan yang basis usahanya berupa penagkapan ikan di perairan umum (sungai, danau, kolam, waduk, rawa dan genangan air lainnya). 2.2.3 Penangkapan Ikan Penangkapan Ikan adalah kegiatan untuk memperoleh ikan di perairan yang tidak dalam keadaan dibudidayakan dengan alat atau cara apapun, termasuk kegiatan yang menggunakan ka- pal untuk memuat, mengangkut, menyimpan, mendinginkan, me- nangani, mengolah, dan mengawetkannya. Adapun penjelasan dari penangkapan ikan tersebut diatas adalah sebagai berikut :
  27. 27. a. Memperoleh ikan dalam hal ini adalah kegiatan menangkap atau mengumpulkan ikan yang hidup bebas di laut atau perai- ran umum. b. Penangkapan ikan yang dilakukan dalam rangka penelitian dan pelatihan, tidak termasuk dalam penangkapan ikan seba- gai kegiatan ekonomi. c. Penangkapan ikan yang dilakukan sepenuhnya hanya untuk konsumsi keluarga juga tidak termasuk sebagai kegiatan eko- nomi. d. Penangkapan ikan di laut adalah semua kegiatan penangkapan ikan yang dilakukan di laut, muara sungai, laguna dan seba- gainya yang dipengaruhi oleh amplitudo pasang surut. e. Penangkapan ikan diperairan umum adalah semua kegiatan penangkapan ikan yang dilakukan di perairan umum seperti sungai, danau, kolam, waduk, rawa dan genangan air lainnya, yang bukan milik perorangan atau badan hukum. Proses penangkapan ikan di Mojokerto dimulai dengan proses pendataan yang dilakukan secara langsung oleh petugas dinas di tingkat kecamatan melalui desa sampel. Pendataan dilakukan de- ngan mengisi blanko pendataan. Data setiap bulan akan dikum- pulkan di kabupaten dan ditangani oleh petugas survey yang ber- tugas melakukan pengumpulan data. Data kemudian diperiksa dengan melakukan survey rumah tangga perikanan ke desa-desa sesuai dengan desa sampel yang diambil dari data seluruh desa yang potensi perikanan sesuai dengan jenis perikanan. Hasil sur- vey digunakan untuk mengestimasi data produksi penangkapan ikan. 2.2.4 Perairan Umum (Air Tawar) Perairan umum adalah bagian dari perikanan darat (ta- war) sebagaimana yang dimaksud dalam uu No. 6 tahun 1996 tentang Perairan Indonesia, yang merupakan bagian permukaan bumi yang secara permanen atau berkala digenangi air dan ter- bentuk secara alami atau buatan yang dikuasai oleh negara. Peme- rintah mempunyai wewenang untuk mengelola dan mengembang-
  28. 28. kannya. Perairan yang terjadi karena luapan banjir, walaupun me- nutupi tanah milik perseorangan, dimasukkan sebagai perairan umum. Untuk keperluan statistik perikanan tangkap, perairan air tawar di Indonesia diklasifikasikan kedalam 5 kategori, yaitu : a. Sungai adalah perairan yang airnya mengalir secara terus- menerus pada arah tertentu, berasal dari air tanah, air hu- jan, atau air permukaan yang akhirnya bermuara ke laut atau perairan terbuka yang luas. Sungai lebak, kanal dan saluran irigasi yang dibuat manusia termasuk dalam kate- gori sungai. b. Danau adalah genangan air yang luas dengan tinggi dan luas permukaan air berfluktuasi kecil, yang kedalaman- nya dangkal atau sangat dalam, mempunyai atau tidak mempunyai sungai yang mengalir ke dalam atau ke luar perairan, terbentuk secara alami dan terisolasi dari laut. Situ dan telaga termasuk ke dalam kategori danau. c. Kolam adalah perairan yang mempunyai luas cukup kecil dan kedalamannya dangkal. Kolam biasanya dibuat oleh manusia sendiri. d. Waduk adalah genangan air yang terbentuk karena pem- bendungan aliran sungai oleh manusia. e. Rawa adalah perairan yang cukup luas yang terdapat di dataran rendah dengan sumber air dari hujan, air laut atau yang berhubungan dengan sungai, relatif tidak dalam, berdasarkan lumpur atau tumbuhan yang membusuk, ba- nyak terdapat vegetasi baik yang mengapung dan men- cuat maupun tenggelam.
  29. 29. Kebanggaan kita yang terbesar adalah bukan tidak pernah gagal tetapi bangkit kembali setelah kita jatuh. (La Rouchefoucauld) BAB III METODOLOGI PENELITIAN
  30. 30. BAB III METODOLOGI ANALISIS 3.1 Sumber Data Data yang digunakan dalam penelitian tugas akhir ini adalah data sekunder yang diambil dari Dinas Peternakan dan Perikanan Kabupaten Mojokerto yaitu data bulanan 3 jenis ikan hasil penangkapan ikan konsumsi air tawar periode Januari 2002 - Desember 2007 yaitu ikan tawes, nila, dan lele yang merupakan jenis ikan yang banyak di konsumsi oleh masyarakat Mojokerto. 3.2 Metode Pengukuran Variabel Penelitian Data penangkapan ikan konsumsi air tawar diperoleh dari Dinas peternakan dan Perikanan Kab. Mojokerto dan terdapat metode tersendiri dimana dalam pengukuran variabelnya adalah sebagai berikut : a. Data merupakan data langsung yang diperoleh dari pendataan petugas dinas lapangan dengan mengambil data pada desa sampel yang diambil dari data seluruh desa yang potensi perikanan sesuai dengan jenis perikanan. b. Dari setiap desa sampel diambil 5-6 responden dari Rumah Tangga Perikanan (RTP) dan dicatat hasil penangkapan ikan tiap trip penangkapan. c. Petugas mengisi blanko formulir penangkapan ikan sesuai dengan hasil penangkapan tiap trip ikan dari desa sampel. d. Data dikumpulkan di kabupaten dan diolah oleh dinas kemudian mengirim petugas survey untuk melakukan pendataan kembali apakah data sudah cocok. e. Petugas melakukan survey tiap Rumah Tangga Perikanan (RTP) ke desa-desa sesuai dengan desa sampel yang diambil dari data seluruh desa yang potensi perikanan sesuai dengan jenis perikanan. f. Hasil survey untuk mengestimasi data produksi hasil penangkapan ikan dan dilaporkan tiap bulan sekali.
  31. 31. g. Dari estimasi tersebut diperoleh data hasil penangkapan tiap bulan yang sudah dikurangi dengan hasil ikan yang dikonsumsi sendiri oleh nelayan. 3.3 Metode Analisis Langkah awal dari penelitian ini adalah menentukan model peramalan yang sesuai dengan data hasil penangkapan ikan di Dinas Peternakan dan Perikanan Kab. Mojokerto dianalisis dengan menggunakan metode time series dengan tahapan sebagai berikut : Untuk menjawab tujuan pertama langkah – langkah analisis yang digunakan adalah sebagai berikut : 1. Melakukan identifikasi Model ARIMA (p, d, q) dengan langkah sebagai berikut: a. Melakukan Time Series Plot terhadap data 3 jenis ikan konsumsi dan melihat kestationeran apakah sudah stationer dalam mean dan varian atau belum, jika data belum stationer dalam varian maka dilakukan transformasi sedangkan jika belum stationer dalam mean dilakukan differencing. Selain itu untuk mengetahui apakah data 3 jenis ikan konsumsi stationer dalam mean dapat juga dilihat melalui plot ACF dan PACF data awal, jika pada plot tersebut lag-lag turun secara melambat maka data tersebut belum stationer dalam mean. b. Membuat plot Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) dari data yang sudah stationer dalam mean maupun varians. 2. Melakukan pendugaan model ARIMA (p, d, q) awal Melakukan pendugaan model yang terbentuk melalui plot Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) yang sudah memenuhi syarat stationer.
  32. 32. 3. Melakukan uji kelayakan terhadap model ARIMA (p, d, q) yang didapatkan. a. Penaksiran parameter Melakukan penaksiran parameter berdasarkan model yang didapatkan melalui suatu software diantaranya minitab dan melakukan uji signifikasi parameter sampai mendapatkan model yang memiliki parameter signifikan. b. Diagnostic Checking Melakukan diagnostic checking melalui pemeriksaan terhadap residual dari model yang signifikan yaitu melalui : Uji residual white noise Uji residual berdistribusi normal 4. Evaluasi terhadap model ARIMA (p, d, q) yang didapatkan jika model yang dihasilkan lebih dari satu. Jika model arima ARIMA (p, d, q) lebih dari satu maka seharusnya dilakukan evaluasi terhadap model melalui dua kriteria diantaranya : Kriteria in sample berdasarkan nilai MSE atau SSE Kriteria Out sample berdasarkan nilai MAPE. Untuk menjawab tujuan kedua langkah – langkah analisis yang digunakan adalah sebagai berikut : 1. Setelah mendapatkan model ARIMA (p, d, q) yang sesuai maka selanjutnya dilakukan peramalan pada periode yang akan datang. 2. Melakukan peramalan data 3 jenis ikan hasil penangkapan pada periode yang akan datang.
  33. 33. 3.4 Diagram Alur Penelitian Mulai Input data penangkapan tiap jenis ikan • Membuat Times Series Plot data jenis ikan • Membuat plot ACF Varians : ditransformasi Mean : didifferencing Data sudah Stasioner? Tidak Ya Melihat Plot ACF dan PACF data yang sudah stasioner dalam mean dan varians Pendugaan Model & Pengujian Parameter dari plot ACF dan PACF Diagnostic Checking model Residual White noise ? Residual Normal ? Tidak Ya Model yang sesuai lebih Tidak dari satu ? Ya Pemilihan model terbaik Kriteria in sampel Kriteria out sampel Perolehan model ARIMA terbaik Peramalan data penangkapan tiap jenis ikan periode 12 bulan kedepan Selesai Gambar 3.1 Diagram Alur Penelitian
  34. 34. Jika engkau merasa terjatuh karena tidak mendapatkan apa yang engkau inginkan, berusahalah dan bertawakal. Karena Allah akan memberikan sesuatu yang lebih baik bagi dirimu.(As Salam) BAB IV HASIL DAN PEMBAHASAN
  35. 35. BAB IV ANALISIS DAN PEMBAHASAN 4.1 Analisis Time Series Data yang digunakan untuk analisis time series adalah data penangkapan bulanan tiap jenis ikan konsumsi. Analisis time series dilakukan melalui 5 tahap, yaitu tahap identifikasi model, pendugaan parameter model, pengujian asumsi model, evaluasi model, dan terakhir adalah tahap peramalan. Penelitian ini meng- gunakan 60 data untuk menduga model sementara dan sisanya 12 data untuk validasi model. 4.2 Peramalan Data Penangkapan Jenis Ikan Tawes 4.2.1 Identifikasi Model Untuk Data Penangkapan Ikan Tawes Langkah awal yang dilakukan adalah membuat time se- ries plot untuk data penangkapan jenis ikan tawes sebanyak 60 data sedangkan untuk validasi menggunakan 12 data. Time series plot digunakan untuk melihat kestasioneran data baik stasioner dalam rata-rata maupun dalam varian. Gambar 4.1 Plot Time Series Data Penangkapan Ikan Tawes Berdasarkan Gambar 4.1 dapat dilihat bahwa plot data penangkapan ikan tawes diduga tidak stationer dalam mean. Dari
  36. 36. plot time series terlihat variansi datanya lebih rapat dan ada pendugaan bahwa data tersebut tidak stasioner dalam musiman. Sehingga dilakukan differencing 12. Hasil dari differencing musiman dapat dilihat dari plot sebagai berikut : Gambar 4.2 Plot Differencing Musiman Data Penangkapan Ikan Tawes Gambar 4.2 menunjukkan bahwa untuk data penangkapan ikan tawes sudah stasioner dalam mean dan varian. Dilihat dari tahap selanjutnya adalah menentukan model peramalan dengan melihat secara visual plot ACF dan plot PACF. Dari plot ACF dan PACF maka diperoleh parameter dari model ARIMA dengan melihat lag-lag pada plot yang keluar dari batas signifikansi. Sehingga dengan melihat lag-lag yang keluar dari batas signifikansi maka diperoleh model awal hasil identifikasi lag-lag pada plot ACF dan PACF. Berikut ini adalah gambar dari Plot ACF dan PACF yang ditunjukkan pada Gambar 4.3 dan Gambar 4.4.
  37. 37. Gambar 4.3 ACF Plot Data Differencing Penangkapan Ikan Tawes Berdasarkan Gambar 4.3 dapat dilihat bahwa ACF plot data penangkapan ikan tawes lag-lag berada didalam batas signifikansi dan tidak ada lag yang keluar dari batas signifikansi. Sehingga dapat disimpulkan bahwa terjadi white noise karena nilai dari lag-lag mendekati nilai nol. Gambar 4.4 PACF Plot Data Differencing Penangkapan Ikan Tawes Berdasarkan Gambar 4.4 dapat diketahui bahwa plot PACF data penangkapan ikan tawes setelah dilakukan diffe-
  38. 38. rencing lag-lag berada didalam batas signifikansi. Setelah itu dilakukan identifikasi model musiman yaitu sebagai berikut: Tabel 4.1 Signifikansi Model Musiman Tawes Model output signifikansi (1 1 0)12 Type Coef SE Coef T P Signifikan SAR 12 -0.4787 0.1585 -3.02 0.004 (0 1 1)12 Type Coef SE Coef T P Signifikan SMA 12 0.8358 0.1560 5.36 0.000 Pada Tabel 4.1 menunjukkan bahwa parameter dari model ARIMA (1 1 0)12 dan ARIMA(0 1 1)12 sudah signifikan karena nilai P-value kurang dari . Selanjutnya dilakukan uji asumsi residual white noise sebagai berikut: Tabel 4.2 Uji Ljung-Box Model Musiman Tawes Model output (1 1 0)12 Lag 12 24 36 48 White noise Chi-Square 13.9 27.1 49.7 * DF 11 23 35 * P-Value 0.236 0.252 0.051 * (0 1 1)12 Lag 12 24 36 48 White noise Chi-Square 6.7 13.2 47.9 * DF 11 23 35 * P-Value 0.821 0.948 0.071 * Dari tabel 4.2 menunjukkan bahwa lag-lag pada setiap model ARIMA (1 1 0)12 dan ARIMA(0 1 1)12 sudah memenuhi uji asumsi residual white noise. Selanjutnya dilakukan uji asumsi residual normal sebagai berikut: Tabel 4.3 Uji Kenormalan Model Musiman Tawes model p-value keputusan kesimpulan (1 1 0)12 <0,010 Tolak H0 Tidak normal (0 1 1)12 <0,010 Tolak H0 Tidak normal Dari Tabel 4.3 menunjukkan bahwa pada model musiman juga tidak memenuhi uji asumsi kenormalan. Sehingga melihat secara visual dari plot ACF dan PACF diperoleh suatu model data differencing musiman yang tidak mengandung unsur
  39. 39. autoregresive dan moving average yaitu ARIMA (0 1 0)12. Selanjutnya dilakukan uji white noise dari model yang diperoleh yaitu sebagai berikut. Tabel 4.4 Uji Asumsi White Noise Differencing Musiman To Chi- Pr > Lag Square DF ChiSq 6 3.03 6 0.8054 12 6.55 12 0.8861 18 9.02 18 0.9592 24 17.45 24 0.8287 Tabel 4.5 Uji Asumsi Normal Differencing Musiman Tests for Normality Test --Statistic--- -----p Value------ Shapiro-Wilk W 0.805751 Pr < W <0.0001 Kolmogorov-Smirnov D 0.235926 Pr > D <0.0100 Cramer-von Mises W-Sq 0.750318 Pr > W-Sq <0.0050 Anderson-Darling A-Sq 3.879625 Pr > A-Sq <0.0050 Berdasarkan Tabel 4.4 dapat diketahui bahwa model ARIMA (0 1 0)12 sudah memenuhi asumsi white noise karena nilai P-value pada setiap lag lebih dari nilai . Sedangkan pada Tabel 4.5 menunjukkan bahwa model ARIMA(0 1 0)12 tidak memenuhi asumsi residual berdistribusi normal karena dengan menggunakan uji kolmogorov smirnov nilai P-value kurang dari nilai . Sehingga dari ketiga model awal yang telah di identifikasi diperoleh bahwa model ARIMA(1 1 0)12, (0 1 1)12, dan (0 1 0)12 telah memenuhi uji asumsi white noise dengan parameter yang sudah signifikan. Namun residual ketiga model tersebut tidak berdistribusi normal. Dengan tidak mempertimbangkan uji asumsi residual normal maka diperoleh model yang white noise yaitu ARIMA(1 1 0)12, ARIMA(0 1 1)12, dan ARIMA(0 1 0)12. Sehingga untuk menentukan model terbaik maka dilakukan pengujian in-sample dengan membandingkan nilai AIC sebagai berikut:
  40. 40. Tabel 4.6 nilai AIC model Tawes model Nilai AIC (1 1 0)12 897.368 (0 1 1)12 885.176 (0 1 0)12 858.29 Tabel 4.6 menunjukkan bahwa model ARIMA(0 1 0)12 memiliki nilai AIC yang paling kecil dibandingkan dengan model ARIMA(1 1 0)12 dan ARIMA(0 1 1)12 yaitu 858.29. Sehingga dapat disimpulkan bahwa model (0 1 0) adalah model terbaik. Tabel 4.7 Kriteria Out Sampel model Data Ikan Tawes model Nilai MAPE (1 1 0)12 21.09745% (0 1 1)12 40.55332% (0 1 0)12 16,59213% Dari Tabel 4.7 menunjukkan bahwa untuk model ARIMA(0 1 0)12 mempunyai nilai MAPE sebesar 16.59213% sehingga berdasarkan kriteria out sampel model peramalan ARIMA(0 1 0)12 bisa dikatakan model yang cukup baik karena memiliki nilai MAPE yang kecil. Dari pengujian model dengan kriteria in-sampel dan out-sampel menunjukkan bahwa diperoleh model terbaik yaitu ARIMA(0 1 0)12 dengan persamaan umum Z t = δ + Z t −12 + at dimana δ adalah nilai konstan. Dari output program SAS diperoleh nilai konstan untuk model ARIMA(0 1 0)12 sebagai berikut : Tabel 4.8 Estimasi Nilai Konstan Model ARIMA (0 1 0)12 tawes Standard Approx Parameter Estimate Error t Value Pr > |t| Lag MU -67.40000 224.36929 -0.30 0.7649 0 Dari Tabel 4.8 diperoleh nilai konstan ( δ ) untuk model ARIMA(0 1 0)12 sebesar -67.4. Sehingga nilai peramalan untuk
  41. 41. periode 12 bulan ke depan untuk data penangkapan ikan tawes adalah sebagai berikut : Tabel 4.9 peramalan 12 bulan kedepan untuk penangkapan ikan tawes periode forecast 73 1942.6 74 677.6 75 867.6 76 227.6 77 2197.6 78 5837.6 79 7512.6 80 5842.6 81 7422.6 82 1182.6 83 3657.6 84 2802.6 Dari tabel 4.9 dapat diketahui hasil nilai peramalan dari model ARIMA(0 1 0)12 untuk data penangkapan ikan tawes. Dengan mengabaikan asumsi residual berdistribusi normal maka nilai peramalan dinyatakan tidak valid. Karena apabila residual tidak normal maka akan berpengaruh terhadap signifikansi nilai peramalannya. Sehingga masih diperlukan metode lain yang lebih baik. 4.3 Peramalan data penangkapan Jenis Ikan Nila 4.3.1 Identifikasi Model Untuk Data Penangkapan Ikan Nila Langkah awal yang dilakukan untuk menentukan model adalah membuat time series plot untuk data penangkapan jenis ikan nila sebanyak 60 data. Time series plot digunakan untuk melihat kestasioneran data baik stasioner dalam rata-rata maupun dalam varian.
  42. 42. ! Gambar 4.5 Plot Time Series Data Penangkapan Ikan Nila Berdasarkan Gambar 4.5 dapat dilihat bahwa plot data penangkapan ikan nila tidak stationer dalam mean dan varian ka- rena lebar variannya tidak sama dan penyebaran datanya tidak mengumpul pada suatu garis atau bergerak menjauhi mean. !" " #" $ #" " %& ! ' & ( ' " #" ' $ #" ' ) & &* ' " Gambar 4.6 Box-Cox Plot Data Penangkapan Ikan Nila
  43. 43. ! Gambar 4.7 Time Series Plot Data Transformasi Penangkapan Ikan Nila Gambar 4.6 menunjukkan bahwa untuk data penang- kapan ikan nila mempunyai nilai estimasi sebesar -0.15 yang mendekati nilai 0 sehingga data dikatakan tidak stasioner dalam varian dan dilakukan transformasi ln untuk data penangkapan ikan Nila. Pada Gambar 4.7 plot transformasi menunjukkan terdapat suatu unsur musiman. Karena terdapat unsur musiman maka dilakukan differrencing musiman terhadap hasil transformasi. Hasil dari proses differencing ditunjukkan pada Gambar 4.8 berikut:
  44. 44. Gambar 4.8 Plot Differencing Musiman Data Penangkapan Ikan Nila Gambar 4.8 menunjukkan bahwa untuk data penangkapan ikan nila sudah stasioner dalam mean dan varian karena penyebaran datanya mengumpul pada suatu garis atau bergerak disekitar mean sehingga tahap berikutnya adalah melihat plot ACF dan plot PACF untuk menduga atau mengestimasi model awal peramalan data penangkapan ikan nila. Secara visual plot ACF dan PACF ditunjukkan pada gambar sebagai berikut: ' ' ' ' ' ' ' ' ' ' '
  45. 45. Gambar 4.9 ACF Plot Data Musiman Penangkapan Ikan Nila Berdasarkan Gambar 4.9 plot ACF data dapat dilihat bahwa pada data penangkapan ikan nila lag-lag berada didalam batas signifikansi dan tidak ada lag yang keluar dari batas. Karena tidak terdapat lag-lag yang keluar maka diduga model tidak mengandung unsur moving average dan dapat disimpulkan bahwa terjadi white noise karena nilai dari lag mendekati nilai nol. ' ' ' ' ' ' ' ' ' ' ' Gambar 4.10 PACF Plot Data Musiman Penangkapan Ikan Nila Berdasarkan Gambar 4.10 dapat diketahui bahwa plot PACF menunjukkan terjadi cut-off pada lag ke-12 sehingga terdapat unsur Autoregresion dan musiman. Sehingga dari plot ACF dan PACF diperoleh pendugaan model yaitu ARIMA(1 1 0)12 dan ARIMA(0 1 1)12. Setelah mengetahui model yang didapatkan selanjutnya adalah melakukan pengujian signifikasi parameter sebagai berikut: Tabel 4.10 Hasil Uji Parameter Data Jenis Ikan Nila Tipe Model Out put Signifikasi 12 Type Coef SE Coef T P (1 1 0) Signifikan SAR 12 -0.5993 0.1645 -3.64 0.001 Type Coef SE Coef T P (0 1 1)12 Signifikan SMA 12 0.8356 0.1855 4.50 0.000
  46. 46. Berdasarkan tabel 4.10 diperoleh bahwa tiap parameter yang ada disetiap model itu signifikan karena memiliki nilai P- value < α, sehingga diperoleh model awal yaitu ARIMA(1 1 0)12 dan ARIMA(0 1 1)12. Setelah didapatkan model awal yang signifikan selanjutnya dilakukan diagnostic checking terhadap model data penangkapan ikan nila yang signifikan dengan menguji residualnya apakah white noise dan normal. Tabel 4.11 Hasil Uji Box Pierce (Ljung Box) Chi-Square Data Ikan Nila Tipe Model Output Signifikasi Lag 12 24 36 48 Chi-Square 11.5 25.6 39.0 * (1 1 0)12 White noise DF 11 23 35 * P-Value 0.404 0.318 0.296 * Lag 12 24 36 48 12 Chi-Square 7.5 13.1 30.5 * (0 1 1) White noise DF 11 23 35 * P-Value 0.753 0.949 0.685 * Berdasarkan Tabel 4.11 diatas diketahui bahwa seluruh lag pada model ARIMA(1 1 0)12, terjadi white noise karena nilai Pvalue pada lag > α. Sedangkan untuk model ARIMA (0 1 1)12 juga terjadi white noise karena di setiap lag signifikan. Setelah melakukan pengujian residual white noise selanjutnya dilakukan pengujian kenormalan dengan uji Kolmogorov Smirnov sebagai berikut : Tabel 4.12 Pemeriksaan Kenormalan Data Jenis Ikan Nila Model P-value Keputusan Kesimpulan (1 1 0)12 >0.150 Gagal tolak H0 Normal (0 1 1)12 <0.010 Tolak H0 Tidak normal Berdasarkan tabel 4.12 diketahui bahwa model (0 1 1)12 memiliki P-value sebesar kurang dari 0.010, jadi keputusan ada- lah tolak H0, yang berarti residual pada model ARIMA(0 1 1)12 tidak berdistribusi normal. Sedangkan pada ARIMA(1 1 0)12 memiliki P-value sebesar lebih dari 0.150, jadi keputusan adalah
  47. 47. gagal tolak H0, yang berarti residual pada model ARIMA(1 1 0)12 berdistribusi normal. Dari Proses sebelumnya model yang telah memenuhi seluruh asumsi adalah ARIMA(1 1 0)12. Setelah diperoleh model umum yaitu Z t = (1 + Φ1 ) Z t −12 − Φ 1 Z t −24 + at maka dilakukan pendekatan dengan kriteria out sampel untuk mengetahui apakah model merupakan model yang cukup baik dengan melihat nilai MAPE. Dalam evaluasi model dengan kriteria out sampel digunakan 12 data bulanan sebagai validasi yaitu membandingkan nilai ramalan dengan nilai aktualnya kemudian dicari nilai MAPE-nya adalah sebagai berikut: Tabel 4.13 Kriteria Out Sampel Data Penangkapan Ikan Nila ˆ Zt − Zt actual forecast Zt 565 336.07 0.405186 527 327.41 0.378729 580 366.98 0.367276 245 213.68 0.127837 455 583.99 0.283495 2605 984.06 0.622242 2410 2064.12 0.143519 2870 2259.87 0.212589 8080 5541.31 0.314194 1225 2229.94 0.820359 4835 4470.99 0.075286 980 1338.57 0.365888 MAPE 34.30499 Berdasarkan Tabel 4.13 dapat diketahui bahwa untuk nilai MAPE sebesar 34.30499% sehingga berdasarkan kriteria out sampel model ARIMA (1 1 0)12 bisa dikatakan cukup baik karena memiliki nilai MAPE yang kecil. Setelah mengetahui model umumnya langkah berikutnya adalah meramalkan dengan model yang sesuai untuk periode 12 bulan ke depan. Sehingga
  48. 48. didapatkan nilai peramalan untuk data penangkapan ikan nila selama 12 bulan kedepan adalah sebagai berikut: Tabel 4.14 Peramalan 12 Bulan Kedepan Untuk Penangkapan Ikan Nila periode forecast Lower Upper 73 436.12 -1527.22 2399.45 74 380.49 -1582.85 2343.83 75 474.69 -1488.65 2438.03 76 230.71 -1732.62 2194.05 77 587.26 -1376.08 2550.59 78 584.79 -1378.55 2548.12 79 3195.97 1232.63 5159.31 80 2447.60 484.26 4410.94 81 7028.24 5064.90 8991.58 82 1827.47 -135.87 3790.81 83 4747.86 2784.52 6711.19 84 1317.59 -645.75 3280.93 Dari tabel 4.14 diperoleh bahwa nilai hasil peramalan dengan model ARIMA(1 1 0)12 menunjukkan nilainya berada didalam batas bawah dan batas atas. Seshingga dapat dikatakan bahwa nilai peramalan sudah sesuai. 4.4 Peramalan data penangkapan Jenis Ikan lele 4.4.1 Identifikasi Model Untuk Data Penangkapan Ikan lele Langkah awal penentuan model adalah membuat time series plot untuk untuk data penangkapan jenis ikan lele sebanyak 60 data. Untuk menguji apakah data sudah stasioner yaitu dengan melihat sebaran data pada time series plot. Pada data penang- kapan jenis ikan lele time series plotnya adalah sebagai berikut.
  49. 49. Gambar 4.11 Plot Time Series Data Penangkapan Ikan lele Berdasarkan Gambar 4.11 dapat dilihat bahwa plot data penangkapan ikan lele diduga tidak stationer dalam mean. Dari plot time series terlihat variansi datanya lebih rapat dan ada pendugaan bahwa data ikan lele tersebut adalah tidak stasioner dalam musiman. Sehingga dilakukan differencing 12. Hasil dari differencing musiman dapat dilihat dari plot sebagai berikut : Gambar 4.12 Plot Differencing Musiman Data Penangkapan Ikan lele Gambar 4.12 menunjukkan bahwa untuk data penang- kapan ikan lele sudah stasioner dalam mean dan varian. Tahap
  50. 50. selanjutnya adalah menentukan model peramalan dengan melihat secara visual plot ACF dan plot PACF. ' ' ' ' ' ' ' ' ' ' ' Gambar 4.13 ACF Plot Data Differencing Penangkapan Ikan Lele Berdasarkan Gambar 4.13 dapat dilihat bahwa ACF plot data penangkapan ikan lele lag-lag berada didalam batas signifikansi dan tidak ada lag yang keluar dari batas signifikansi. Sehingga dapat disimpulkan bahwa terjadi white noise karena nilai dari lag-lag mendekati nilai nol. Tetapi plot juga dapat menjelaskan bahwa tidak mengandung unsur moving average.
  51. 51. ' ' ' ' ' ' ' ' ' ' ' Gambar 4.14 PACF Plot Data Differencing Penangkapan Ikan Lele Berdasarkan Gambar 4.14 dapat diketahui bahwa plot PACF data penangkapan ikan lele setelah dilakukan differencing lag-lag berada didalam batas signifikansi. Sehingga tidak terdapat unsur autoregression pada model. Setelah itu dilakukan identifikasi model musiman yaitu sebagai berikut: Tabel 4.15 Signifikansi Model Musiman Lele Model output signifikansi (1 1 0)12 Type Coef SE Coef T P Signifikan SAR 12 -0.9275 0.1095 -8.47 0.000 (0 1 1)12 Type Coef SE Coef T P Signifikan SMA 12 0.9260 0.1214 7.63 0.000 Pada Tabel 4.15 menunjukkan bahwa parameter dari model ARIMA (1 1 0)12 dan ARIMA (0 1 1)12 sudah signifikan karena nilai P-value kurang dari . Selanjutnya dilakukan uji asumsi residual white noise sebagai berikut: Tabel 4.16 Uji Ljung-Box Model Musiman Lele Model Output Signifikansi (1 1 0)12 Lag 12 24 36 48 White noise Chi-Square 15.7 31.5 38.0 *
  52. 52. DF 11 23 35 * P-Value 0.154 0.110 0.336 * (0 1 1)12 Lag 12 24 36 48 Tidak Chi-Square 12.0 18.8 69.3 * White noise DF 11 23 35 * P-Value 0.360 0.714 0.000 * Dari tabel 4.16 menunjukkan bahwa lag-lag pada setiap model ARIMA (1 1 0)12 sudah memenuhi uji asumsi residual white noise. Sedangkan pada model ARIMA(0 1 1)12 terdapat salah satu lag yang tidak memenuhi asumsi residual white noise. Sehingga diperoleh satu model musiman yang memenuhi asumsi white noise. Selanjutnya dilakukan uji asumsi residual normal sebagai berikut: Tabel 4.17 Uji Kenormalan Model Musiman Lele model p-value keputusan kesimpulan (1 1 0)12 <0,010 Tolak H0 Tidak normal Dari Tabel 4.17 menunjukkan bahwa pada model musiman juga tidak memenuhi uji asumsi kenormalan. Sehingga melihat secara visual dari plot ACF dan PACF diperoleh suatu model data differencing musiman yang tidak mengandung unsur autoregresive dan moving average yaitu (0 1 0)12. Selanjutnya dlakukan uji white noise dari model yang diperoleh yaitu sebagai berikut. Tabel 4.18 Uji Asumsi White Noise Differencing Musiman lele To Chi- Pr > Lag Square DF ChiSq 6 4.53 6 0.6049 12 6.77 12 0.8723 18 7.18 18 0.9886 24 8.27 24 0.9988 Tabel 4.19 Uji Asumsi Normal Differencing Musiman lele Tests for Normality Test --Statistic--- -----p Value------
  53. 53. Shapiro-Wilk W 0.820512 Pr < W <0.0001 Kolmogorov-Smirnov D 0.195176 Pr > D <0.0100 Cramer-von Mises W-Sq 0.613774 Pr > W-Sq <0.0050 Anderson-Darling A-Sq 3.296734 Pr > A-Sq <0.0050 Berdasarkan Tabel 4.18 dapat diketahui bahwa model (0 1 0)12 sudah memenuhi asumsi white noise. Sedangkan pada Tabel 4.19 menunjukkan bahwa model (0 1 0)12 tidak memenuhi asumsi residual berdistribusi normal karena dengan menggunakan uji kolmogorov smirnov nilai P-value kurang dari nilai . Sehingga dari ketiga model awal yang telah di identifikasi diperoleh bahwa terdapat dua model yaitu ARIMA(1 1 0)12dan ARIMA(0 1 0)12 telah memenuhi uji asumsi white noise dengan parameter yang sudah signifikan. Namun residual kedua model tersebut tidak berdistribusi normal. Dengan tidak mempertimbangkan uji asumsi residual normal maka diperoleh model yang white noise yaitu ARIMA(1 1 0)12 dan ARIMA(0 1 0)12 sehingga untuk menentukan model terbaik maka dilakukan pengujian in sample dengan mem- bandingkan nilai AIC sebagai berikut: Tabel 4.20 nilai AIC model Lele model Nilai AIC (1 1 0)12 766.502 (0 1 0)12 759.88 Tabel 4.20 menunjukkan bahwa model (0 1 0)12 memiliki nilai AIC yang paling kecil dibandingkan dengan model (1 1 0)12 dan (0 1 1)12 yaitu 759.88. Sehingga dapat disimpulkan bahwa model (0 1 0) adalah model terbaik. Tabel 4.21 Kriteria Out Sampel model Data Ikan lele model Nilai MAPE (1 1 0)12 37.79234%
  54. 54. (0 1 0)12 21.97483% Dari Tabel 4.21 menunjukkan bahwa untuk model (0 1 0)12 mempunyai nilai MAPE sebesar 21.97483% sehingga ber- dasarkan kriteria out sampel model peramalan (0 1 0)12 bisa dika- takan model yang cukup baik karena memiliki nilai MAPE yang kecil. Dari pengujian model dengan kriteria in sampel dan out sampel menunjukkan bahwa diperoleh model terbaik yaitu (0 1 0)12 dengan persamaan umum dengan persamaan umum Z t = δ + Z t −12 + at dimana δ adalah nilai konstan. Dari output program SAS diperoleh nilai konstan untuk model ARIMA(0 1 0)12 sebagai berikut : Tabel 4.22 Estimasi Nilai Konstan Model ARIMA (0 1 0)12 Lele Standard Approx Parameter Estimate Error t Value Pr > |t| Lag MU 3.50000 78.13078 0.04 0.9644 0 Dari Tabel 4.22 diperoleh nilai konstan ( δ ) untuk model ARIMA(0 1 0)12 sebesar 3.5. Sehingga nilai peramalan untuk periode 12 bulan ke depan untuk data penangkapan ikan lele adalah sebagai berikut : Tabel 4.23 Peramalan 12 Bulan Kedepan Untuk Penangkapan Ikan Lele periode forecast 73 423,5 74 243,5 75 393,5 76 258,5 77 648,5 78 453,5 79 543,5 80 763,5 81 3653,5 82 358,5 83 1773,5
  55. 55. 84 773,5 Dari tabel 4.23 dapat diketahui hasil nilai peramalan dari model (0 1 0)12 untuk data penangkapan ikan lele. Dengan mengabaikan asumsi residual berdis-tribusi normal maka nilai peramalan dinyatakan tidak valid. Karena apabila residual tidak normal maka akan berpengaruh terhadap signifikansi nilai peramalannya. Sehingga masih diperlukan metode lain yang lebih baik.
  56. 56. (halaman ini sengaja dikosongkan)
  57. 57. Tak ada rahasia menggapai sukses, sukses itu dpat terjadi karena persiapan, kerja keras dan mau belajar dari kegagalan. (W.A Nance) BAB V KESIMPULAN DAN SARAN
  58. 58. BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan penelitian terhadap data penangkapan tiap jenis ikan yang telah dilakukan dapat diambil beberapa kesimpulan sebagai berikut: 1. Untuk data penangkapan ikan tawes pada periode bulan Janu- ari 2002 sampai dengan Desember 2007 didapatkan model yang terbaik adalah model ARIMA(0 1 0)12 dengan model peramalan Z t = δ + Z t −12 + at . Sedangkan untuk data penangkapan ikan nila pada periode yang sama didapatkan model yang terbaik adalah model ARIMA(1 1 0)12 dengan model Z t = (1 + Φ1 ) Z t −12 − Φ 1 Z t −24 + at dan untuk data penangkapan ikan lele pada periode yang sama juga didapatkan model terbaik adalah ARIMA(0 1 0)12 model umum yaitu Z t = δ + Z t −12 + at . 2. Nilai peramalan untuk penangkapan 3 jenis ikan konsumsi adalah sebagai berikut : Tabel 5.1 Nilai Peramalan 3 Jenis Ikan Untuk 12 Periode periode Ikan Tawes Ikan Nila Ikan Lele 73 1942.6 436.12 423,5 74 677.6 380.49 243,5 75 867.6 474.69 393,5 76 227.6 230.71 258,5 77 2197.6 587.26 648,5 78 5837.6 584.79 453,5 79 7512.6 3195.97 543,5 80 5842.6 2447.60 763,5 81 7422.6 7028.24 3653,5 82 1182.6 1827.47 358,5 83 3657.6 4747.86 1773,5 84 2802.6 1317.59 773,5
  59. 59. 5.2 Saran 1. Saran yang dapat diberikan dalam penelitian ini adalah agar Dinas Peternakan dan Perikanan pemerintah lebih memperhatikan fluktuasi hasil penangkapan ikan konsumsi dan mempelajari faktor-faktor yang menyebab- kan adanya fluktuasi hasil penangkapan ikan konsumsi dimasa yang akan datang. 2. Masih diperlukan metode-metode peramalan yang lain dan lebih baik untuk meramalkan nilai hasil penangkapan ikan tiga jenis ikan konsumsi air tawar.
  60. 60. Jangan pernah menyia – yiakan kesempatan yang ada, karena kesempatan tidak mungkin datang dua kali seperti matahari pagi tidak mungkin terbit dua kali untuk membangunkan tidur kita. (Helen Keller) DAFTAR PUSTAKA
  61. 61. DAFTAR PUSTAKA Aswi dan Sukarna, 2006, “Analisis Deret Waktu”, Andira Publisher, Makassar Cryer, D.J, 1986, “Time Series Analisis”, PWS-KENT Publishing Company, Inc, Boston Daniel, W.W., 1989, “Statistika Nonparametrik Terapan”, Georgia State University. PT Gramedia, Jakarta. Direktorat Jendral Perikanan tangkap, 2004, “Pedoman Pelaksanaan pengumpulan Data Statistik Perikanan Umum”, Ditjen Perikanan Tangkap, Jakarta Makridakis S., Wheelwright, Mc Gee, 1999, “Metode dan Aplikasi Peramalan”, Edisi Kedua, Bina Rupa Aksara, Jakarta. Wei, W.W.S., 1990, “Time Analysis Univariate and Multivariate Methods“, Addison Wesley Publishing Company, Inc.
  62. 62. Ketika kau sedih, merasa sendirian, dan orang – orang disekitar kamu terlalu sibuk dengan urusannya masing – masing, Janganlah kamu takut karena Allah selalu berada disampingmu. (NN) LAMPIRAN
  63. 63. LAMPIRAN A Data penangkapan ikan konsumsi dinas peternakan dan perikanan kab. Mojokerto Jenis Ikan Bulan TAWES* NILA* LELE* JANUARI’02 1295 403 476 FEBRUARI’02 910 433 358 MARET’02 548 283 321 APRIL’02 397 289 140 MEI’02 1667 460 402 JUNI’02 13357 1026 674 JULI’02 10492 1972 249 AGUSTUS’02 4050 1738 2115 SEPTEMBER’02 3660 2460 2877 OKTOBER’02 3331 1082 72 NOVEMBER’02 2185 2569 1065 DESEMBER’02 3132 621 1286 JANUARI’03 1195 496 245 FEBRUARI’03 980 532 255 MARET’03 423 266 188 APRIL’03 349 129 62 MEI’03 2856 952 1080 JUNI’03 9918 4299 199 JULI’03 11530 1235 142 AGUSTUS’03 4539 1688 484 SEPTEMBER’03 3569 3115 711 OKTOBER’03 9689 2737 2385 NOVEMBER’03 2669 2994 916 DESEMBER’03 1565 269 1041 JANUARI’04 1680 261 405 FEBRUARI’04 688 252 248 MARET’04 885 229 395 APRIL’04 360 299 200 MEI’04 3265 1033 1240 JUNI’04 8578 2190 559 JULI’04 12065 1685 605 AGUSTUS’04 5795 1730 855 SEPTEMBER’04 3362 4158 1656 OKTOBER’04 3528 4517 1791 NOVEMBER’04 2176 2625 1095 DESEMBER’04 2034 1272 836
  64. 64. JANUARI’05 1650 251 385 FEBRUARI’05 720 275 280 MARET’05 970 275 390 APRIL’05 420 195 235 MEI’05 3360 580 1245 JUNI’05 8132 2460 711 JULI’05 10395 1295 475 AGUSTUS’05 7305 2055 925 SEPTEMBER’05 3735 4238 1644 OKTOBER’05 2830 2920 875 NOVEMBER’05 2970 4160 1670 DESEMBER’05 2490 1365 1183 JANUARI’06 1700 520 440 FEBRUARI’06 670 425 235 MARET’06 930 565 365 APRIL’06 370 245 285 MEI’06 2870 590 1130 JUNI’06 7835 250 715 JULI’06 5935 4145 410 AGUSTUS’06 3160 2605 415 SEPTEMBER’06 7730 8275 3550 OKTOBER’06 1195 1490 360 NOVEMBER’06 3684 4980 1555 DESEMBER’06 2545 1300 915 JANUARI’07 2010 565 420 FEBRUARI’07 745 527 240 MARET’07 935 580 390 APRIL’-07 295 245 255 MEI’07 2265 455 645 JUNI’07 5905 2605 450 JULI’07 7580 2410 540 AGUSTUS’07 5910 2870 760 SEPTEMBER’07 7490 8080 3650 OKTOBER’07 1250 1225 355 NOVEMBER’07 3725 4835 1770 DESEMBER’07 2870 980 770 Ket(*) = Dalam Kilogram
  65. 65. LAMPIRAN B Identifikasi Model Data Penangkapan Ikan Tawes Time series plot Ikan Tawes Differencing musiman ikan tawes
  66. 66. ACF plot differencing ikan tawes PACF plot differencing ikan tawes
  67. 67. Pengujian Signifikansi Model ARIMA (1 1 0)12 Tawes Final Estimates of Parameters Type Coef SE Coef T P SAR 12 -0.4787 0.1585 -3.02 0.004 Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 60, after differencing 48 Residuals: SS = 142227153 (backforecasts excluded) MS = 3026110 DF = 47 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 13.9 27.1 49.7 * DF 11 23 35 * P-Value 0.236 0.252 0.051 * Uji Kenormalan Model ARIMA (1 1 0)12 Tawes % #$ 0 !! + -. / ! 0 1- ! 2 * , #$
  68. 68. Pengujian Signifikansi Model ARIMA(0 1 1)12 Tawes Final Estimates of Parameters Type Coef SE Coef T P SMA 12 0.8358 0.1560 5.36 0.000 Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 60, after differencing 48 Residuals: SS = 116076083 (backforecasts excluded) MS = 2469704 DF = 47 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 6.7 13.2 47.9 * DF 11 23 35 * P-Value 0.821 0.948 0.071 * Pengujian Kenormalan Model ARIMA(0 1 1)12 Tawes % #$ 0 !! + -. / ! 0 1- ! 2 * , #$
  69. 69. Pengujian Model ARIMA(0 1 0)12 Tawes !"# ## $ " % " ! % # " & % ' ( ) * + , - . /01 2 . + ,1 3 2,3 "% 4% 05 4% ) * " %! , 6 6 /, 7 8 1 0 2 3 , 5 , 3 2 0 1 8 7 , . 9 5 715, 3 , 55555 : :;;;;;;;;;;;;;;;;;;;;: 5 , /, 0 3, / 52 05 : ;: : 5 , 7577 / 31 7, / ,8575 : ;;;;: : 5 , 7332 3 , 5 1 5 51,37 : :; : 5 ,33282 2 /3,2 18 / ,5 7, : ;;: : 5 ,32,,7 25 5 85 5 5,3 2 : : : 5 ,3 5 0 288 , 20, 5 5,02 : : : 5 ,3 8 1 /, 82 / 5 332 : ;: : 5 ,3 0, 8 /88221 00, / 5 718 : ;: : 5 ,3 7,, 7 1 7 7 733 5 5 2 0 : : : 5 ,305,7 ,5 3823,5 5 , 737 : :;;; : 5 ,30573 ,, /,2 35 / 52755 : ;: : 5 ,38, 8 , /1 3130 / 2301 : ;;;;;: : 5 ,382,8 ,3 / 02 78 / 5,81, : : : 5 ,2 37, ,2 /3 2327 / ,57 5 : ;;: : 5 ,2 23, , /12522 ,31 / 5 273 : : : 5 ,2017 ,0 3,7,22 5 ,512 : :;; : 5 ,2080 ,1 /,3 05 / 52203 : ;: : 5 ,28,01 ,8 /0 ,3 8 / 5 57 : : : 5 ,2837, ,7 8, 10 , 7 5 5 121 : :; : 5 ,28225 5 /7, , 11 / 55351 : : : 5 ,28 2 , 3 22, 5 ,57 : :;; : 5 ,28 0 ,2812 5 ,133 : :;;; : 5 ,278 8 3 /3 2 ,3 / ,,730 : ;;: : 5 , 3,02 2 /1 3 221 / 55 22 : : : 5 , 2150 < < " - = . . .! " 6 /, 7 8 1 0 2 3 , 5 , 3 2 0 1 8 7 , , 5 ,383 : :;;; : 5 ,351 : :;;;; : 3 /5 5 28 : ;: : 2 5 ,5,82 : :;; : 5 55788 : : : 0 5 5 0 3 : :; :
  70. 70. 1 5 5,38 : : : 8 /5 5,8 : : : 7 /5 51 20 : ;: : ,5 /5 58385 : ;;: : ,, 5 57052 : :;; : , 5 135 : :;;;;; : ,3 5 57021 : :;; : ,2 5 ,3578 : :;;; : , 5 5307 : :; : ,0 /5 550 : : : ,1 5 5 5 , : : : ,8 /5 5, 05 : : : ,7 5 5,882 : : : 5 /5 51851 : ;;: : , /5 5717, : ;;: : /5 ,725 : ;;;;: : 3 5 52571 : :; : 2 /5 5,118 : : : 6 /, 7 8 1 0 2 3 , 5 , 3 2 0 1 8 7 , , /5 52 05 : ;: : /5 ,8352 : ;;;;: : 3 5 5 020 : :; : 2 /5 ,38 0 : ;;;: : 5 5 711 : :; : 0 /5 53210 : ;: : 1 /5 53, 1 : ;: : 8 /5 5 023 : ;: : 7 5 5,,80 : : : ,5 5 , 2,1 : :;; : ,, /5 5235 : ;: : , /5 0 : ;;;;: : ,3 /5 51528 : ;: : ,2 /5 ,87,5 : ;;;;: : , /5 5 3 7 : ;: : . . 6 /, 7 8 1 0 2 3 , 5 , 3 2 0 1 8 7 , ,0 /5 552 0 : : : ,1 /5 53 2 : ;: : ,8 /5 52,0 : ;: : ,7 /5 523,3 : ;: : 5 /5 52,0, : ;: : , 5 ,,3 : :;; : 5 2,5 : :;;;;; : 3 /5 5 1 8 : ;: : 2 5 5 3 5 : : : 6 -
  71. 71. 6 / > .? +@ 6 .? //////////////////// //////////////////// 0 3 3 0 5 101 /5 523 /5 ,8, 5 51, /5 ,50 5 5,2 5 5,0 , 7 00 , 5 02 7 /5 5 3 /5 535 5 5 5 , 7 /5 527 /5 22 ,8 ,, 87 ,8 5 8 7 /5 5,7 /5 ,57 /5 5 5 ,51 /5 52 /5 5 , 2 ,1 21 2 5 8 17 5 5 1 /5 553 5 ,57 5 ,13 /5 ,,7 /5 55 . . .! " A .? 9 " . ## $ " 9 " 9 & > : : A /01 25555 2 307 7 /5 35 5 1027 5 6 9 " /01 2 & 9 " 35 527 . 9 9 " ,131 7 1 6 ,500 .B6 ,508 0,2 "% 05 6 - 6 / > .? +@ 6 .? //////////////////// //////////////////// 0 3 3 0 5 101 /5 523 /5 ,8, 5 51, /5 ,50 5 5,2 5 5,0 , 7 00 , 5 02 7 /5 5 3 /5 535 5 5 5 , 7 /5 527 /5 22 ,8 ,, 87 ,8 5 8 7 /5 5,7 /5 ,57 /5 5 5 ,51 /5 52 /5 5 , 2 ,1 21 2 5 8 17 5 5 1 /5 553 5 ,57 5 ,13 /5 ,,7 /5 55 % ( 9 " /01 2 ) * + , " ! //. /// /////# & ////// . # / - 5 85 1 , C C5 555, D " /." + 5 3 7 0 > + C5 5,55 6 " / /.? 5 1 53,8 > /.? C5 55 5 /+ /.? 3 8170 > /.? C5 55 5

×